Rekenen en vertellen: waarom plansoftware nu kan uitleggen hoe het tot een planning komt
Door Maarten Alta · 30 oktober 2026
Wie met plansoftware werkt, kent het. Het systeem maakt een planning, en die is vaak goed. Maar waarom rijdt truck 12 de middagronde niet? Daar zegt het niets over. Jarenlang was dat gewoon zo. Dat verandert nu, en dat is misschien wel de belangrijkste verandering die AI de planner brengt.
Het oude probleem: een goed antwoord zonder uitleg
Rekenmodellen voor planning bestaan al tientallen jaren. Ze doorzoeken in korte tijd enorme aantallen combinaties van ritten, voertuigen en chauffeurs, en leveren een planning met een totaalscore. Wat ze niet leverden, was een verhaal.
Wilde je weten waarom een order niet was ingepland, dan moest je zelf terugredeneren, of de leverancier bellen. Het gevolg zie ik in de praktijk vaak: planners vertrouwen het voorstel niet helemaal, gaan handmatig schuiven, en de software levert minder op dan beloofd.
Het rare is: de informatie was er wel. Het rekenmodel "weet" precies welke regel knelt: een tijdvenster, een rijtijd, een laadvermogen. Maar die kennis zat verstopt in getallen en logbestanden, niet in taal die een planner kan gebruiken.
Wat er veranderd is
Twee dingen komen nu samen.
- Rekenmodellen leggen beter vast waarom. Moderne rekenmotoren houden per regel bij hoeveel die kost of knelt, en waarom een order niet is ingepland.
- Taalmodellen kunnen die vastlegging lezen en navertellen. Een taalmodel, het soort AI achter ChatGPT en Claude, zet de getallen om in gewone taal. En het werkt ook andersom: een vraag als "wat als truck 7 een uur later vertrekt?" vertaalt het naar een nieuwe rekenopdracht. Het rekenmodel rekent opnieuw, het taalmodel vertelt wat er veranderd is.
Zo kan een gesprek met je planningssysteem eruitzien (fictief voorbeeld):
Planner: Waarom rijdt truck 12 de middagronde niet?
Systeem: Na de ochtendronde heeft truck 12 nog 24% accu. De middagronde vraagt 31%, plus 10% reserve. Laden op het depot kan pas vanaf 13.45 uur, omdat de aansluiting tot dan vol zit met twee andere trucks. Dan haalt truck 12 het tijdvenster van de eerste klant niet. Truck 7 kan de rit wel rijden; dat kost 38 euro meer aan kilometers.
Elk getal in dat antwoord komt uit het rekenmodel. Het taalmodel maakt er alleen een verhaal van.
De rolverdeling
| Wie | Doet wat |
|---|---|
| Rekenmodel | Maakt de planning, rekent kosten, accu en rijtijden uit, controleert de regels, rekent scenario's door |
| Taalmodel | Begrijpt de vraag, zet die om in een rekenopdracht, legt de uitkomst uit, vat samen voor chauffeur, klant of directie |
| Planner | Beslist, brengt kennis in die niet in de data zit, controleert de uitleg |
Waar het mis kan gaan
- Het taalmodel gaat zelf rekenen. Dan krijg je een overtuigend antwoord dat niet klopt. Eis dat elk getal uit het rekenmodel komt.
- De uitleg is niet te controleren. Een goede uitleg kun je terugvinden in het scherm: de regel die knelt, het tijdvenster, het accuniveau. Kun je dat niet, dan is het een verhaal en geen uitleg.
- De uitleg is zo goed als de data. Kloppen tijdvensters of laadvermogens niet, dan legt het systeem een verkeerde planning heel overtuigend uit.
- Je gegevens. Vraag welke gegevens naar het taalmodel gaan en waar dat model draait. Er bestaan opzetten waarbij je bedrijfsgegevens het eigen systeem niet verlaten.
Wat dit betekent voor de planner
De planner hoeft niet meer zelf terug te redeneren hoe een voorstel tot stand kwam. Maar hij moet wel kunnen beoordelen of de uitleg klopt, de goede vragen stellen, en het verhaal doorvertellen aan een chauffeur of klant. Dat zijn precies de vaardigheden waar het vak naartoe beweegt.
Lees ook: Welke plansoftware kan rekenen én uitleggen? en Zo laat je je planningssysteem uitleggen: vijf soorten vragen. Eerder schreef ik over wat AI wel en niet kan in de transportplanning en de spelregels voor AI in de planning.
Op de AI-dag van de opleiding Gecertificeerd E-Fleet Planner werk je zelf met een AI-routeplanner en oefen je met het beoordelen van voorstellen en uitleg.
Bronnen
- Li, B., Mellou, K., Zhang, B., Pathuri, J. & Menache, I. (2023). Large Language Models for Supply Chain Optimization. Microsoft Research.
- Timefold. Validating an optimized plan with Explainable AI.